基于爐膛參數(shù)場測量和支持向量機(jī)的電站鍋爐燃燒狀況評價

劉　千，王東風(fēng)，2，韓　璞，2

基于爐膛參數(shù)場測量和支持向量機(jī)的電站鍋爐燃燒狀況評價

劉千1，王東風(fēng)1，2，韓璞1，2

（1.河北省發(fā)電過程仿真與優(yōu)化控制工程技術(shù)研究中心（華北電力大學(xué)），河北保定071003；2.華北電力大學(xué)自動化系，河北保定071003）

電站鍋爐燃燒的穩(wěn)定性和經(jīng)濟(jì)性是鍋爐燃燒狀況評價的重要組成部分，及時準(zhǔn)確地評價能指導(dǎo)燃燒優(yōu)化運(yùn)行。為此，該文提出一種基于爐膛參數(shù)場測量和支持向量機(jī)的電站鍋爐燃燒狀況評價方法，通過分析爐膛參數(shù)對鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性的影響，建立電站鍋爐燃燒的穩(wěn)定性和經(jīng)濟(jì)性評判支持向量機(jī)模型，并根據(jù)爐膛參數(shù)測量數(shù)據(jù)對模型進(jìn)行校驗(yàn)。以某680MW燃燒機(jī)組鍋爐為例進(jìn)行實(shí)測，結(jié)果表明：該方法能夠?qū)θ我夤r下的鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性進(jìn)行客觀有效地評判，計算速度快，能夠在線指導(dǎo)鍋爐燃燒的優(yōu)化運(yùn)行。

電站鍋爐；參數(shù)測量；燃燒評價；支持向量機(jī)

doi：10.11857/j.issn.1674-5124.2015.09.002

0　引言

近年來，我國經(jīng)濟(jì)的發(fā)展加快了對電力的需求，未來相當(dāng)長的一段時間內(nèi)燃煤發(fā)電仍將是我國最重要的發(fā)電方式［1］。但是，隨著能源、環(huán)境問題的日益突出以及電力系統(tǒng)對發(fā)電品質(zhì)的要求日益苛刻，迫使各發(fā)電企業(yè)積極采取有效措施來提高機(jī)組運(yùn)行的穩(wěn)定性和經(jīng)濟(jì)性，其穩(wěn)定性和經(jīng)濟(jì)性也是電廠節(jié)能的重要因素，能夠切實(shí)提高發(fā)電企業(yè)的經(jīng)濟(jì)效益［2］。因此，無論是對電力監(jiān)管部門還是各發(fā)電集團(tuán)來講，擁有一套客觀有效的火電機(jī)組鍋爐燃燒狀況評價方法具有重大的現(xiàn)實(shí)意義。

鍋爐燃燒的穩(wěn)定性和經(jīng)濟(jì)性是電站鍋爐燃燒狀態(tài)評價的重要組成部分，合理的評價結(jié)果能夠指導(dǎo)機(jī)組優(yōu)化運(yùn)行。鍋爐燃燒的穩(wěn)定性是機(jī)組正常運(yùn)行的前提和保障。鍋爐燃燒是一個多變量、強(qiáng)耦合的非線性過程，煤粉燃燒過程中的不穩(wěn)定將引起蒸汽參數(shù)波動，進(jìn)而影響整個機(jī)組的發(fā)電品質(zhì)。當(dāng)爐膛溫度過高或者火焰中心發(fā)生偏斜時，將引起水冷壁、爐膛出口受熱面結(jié)渣，導(dǎo)致管壁超溫，增加爆管的風(fēng)險；爐內(nèi)溫度過低或爐膛一、二次風(fēng)配合不當(dāng)時，將影響煤粉的著火和正常燃燒，會造成爐膛滅火或者爆燃等事故的產(chǎn)生，嚴(yán)重影響機(jī)組運(yùn)行的安全性。鍋爐燃燒的經(jīng)濟(jì)性則主要是考慮降低污染物的排放以及提高鍋爐的熱效率，從而提高鍋爐的環(huán)境效益，節(jié)省發(fā)電企業(yè)的環(huán)保投入。鍋爐燃燒的穩(wěn)定性與經(jīng)濟(jì)性相輔相成，通過評判鍋爐燃燒狀況，能為指導(dǎo)鍋爐燃燒提供參考，減少氮氧化物的排放，提高鍋爐效率，保證鍋爐運(yùn)行的穩(wěn)定和經(jīng)濟(jì)。

目前，眾多學(xué)者對電站鍋爐燃燒的穩(wěn)定性和經(jīng)濟(jì)性進(jìn)行了廣泛研究，燃燒穩(wěn)定性的研究基本上是通過測量煤粉燃燒的火焰特征信號，如火焰亮度、光譜和強(qiáng)度等，對其進(jìn)行頻譜分析等數(shù)學(xué)處理，從而判斷鍋爐燃燒穩(wěn)定性［3-4］；近年來，隨著火焰圖像監(jiān)控系統(tǒng)的在電站鍋爐上的廣泛應(yīng)用，結(jié)合神經(jīng)網(wǎng)絡(luò)、粗糙集等理論來完成對鍋爐燃燒穩(wěn)定性的判別［5-7］。對電站鍋爐經(jīng)濟(jì)性的研究則拘泥在鍋爐最優(yōu)氧量值確定這一主要問題上，根據(jù)鍋爐的配風(fēng)方式以及鍋爐運(yùn)行歷史數(shù)據(jù)建立鍋爐燃燒的最優(yōu)氧量模型，從而確定最佳氧量值［8］。筆者基于爐膛激光測量系統(tǒng)得到的爐膛參數(shù)場數(shù)據(jù)，通過構(gòu)建二級模糊綜合評判模型，對任意工況下的鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性做出評判，效果明顯［9］。

為此，本文直接基于得到的爐膛參數(shù)測量數(shù)據(jù)，利用支持向量機(jī)分別建立電站鍋爐燃燒的穩(wěn)定性和經(jīng)濟(jì)性評價模型，并結(jié)合文獻(xiàn)［9］中的策略得到的評判結(jié)果對該模型進(jìn)行訓(xùn)練，最后借助于該機(jī)組的歷史運(yùn)行工況數(shù)據(jù)，將本文所提出的評價策略與文獻(xiàn)［9］的評價策略進(jìn)行對比分析，驗(yàn)證本文評價策略的有效性。

1　爐膛參數(shù)場及其測量手段

1.1鍋爐燃燒狀況評價的關(guān)鍵參數(shù)

爐膛參數(shù)是反映鍋爐燃燒組織是否合理的直接過程量，它是進(jìn)行鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性評判的數(shù)據(jù)支撐，通過對爐膛參數(shù)數(shù)據(jù)的分析和處理，能夠評判出當(dāng)前鍋爐的燃燒狀況，從而有效合理地指導(dǎo)鍋爐燃燒，使鍋爐在最佳工況負(fù)荷下運(yùn)行。衡量電站鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性的3個關(guān)鍵爐膛參數(shù)為爐膛溫度、爐內(nèi)O2濃度和爐內(nèi)CO濃度。

爐膛溫度是鍋爐燃燒穩(wěn)定性與經(jīng)濟(jì)性的最直接反應(yīng)；爐內(nèi)O2濃度對爐膛煤粉充分燃燒、提高鍋爐運(yùn)行經(jīng)濟(jì)性、控制鍋爐氮氧化物排放以及防止高溫腐蝕意義重大；爐內(nèi)CO濃度與鍋爐高溫腐蝕關(guān)系密切，同時又能直觀反映爐內(nèi)煤粉是否處于缺氧燃燒狀態(tài)，為鍋爐配風(fēng)提供指導(dǎo)。當(dāng)爐膛溫度低時，煤粉得不到充分燃燒，飛灰含碳量增加，導(dǎo)致鍋爐效率下降，未燃盡的煤粉顆粒還會造成過熱器、省煤器的磨損；當(dāng)爐膛溫度過高時，熱力型NOx生成量急劇增加，氮氧化物排放增多，同時還會發(fā)生高溫腐蝕現(xiàn)象。當(dāng)爐內(nèi)O2濃度過低時，此時煤粉處于缺氧狀態(tài)，爐內(nèi)形成還原性氣氛，會加劇水冷壁結(jié)焦和管道高溫腐蝕，同時煤粉燃燒不充分，不完全燃燒熱損失增大，煙氣飛灰含碳量高，導(dǎo)致鍋爐效率降低；當(dāng)爐內(nèi)O2濃度過高時，會導(dǎo)致排煙熱損失大，同樣會造成鍋爐效率下降，增加引風(fēng)機(jī)電耗，降低了全廠的經(jīng)濟(jì)效益。當(dāng)爐內(nèi)CO濃度高時，煤粉處于缺氧燃燒狀態(tài)，煤粉燃盡率低，煙氣飛灰含碳量高，鍋爐效率降低。在進(jìn)行電站鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性評判時，需要權(quán)衡3個關(guān)鍵爐膛參數(shù)之間的牽制與矛盾，進(jìn)而提高鍋爐效率，降低污染物排放，延長鍋爐運(yùn)行壽命。

1.2關(guān)鍵爐膛參數(shù)測量手段

關(guān)鍵爐膛參數(shù)的準(zhǔn)確測量是準(zhǔn)確評判鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性的前提和保障，由于受爐膛參數(shù)測量手段的限制，爐膛溫度精確測量技術(shù)和氣體濃度測量技術(shù)缺乏，嚴(yán)重制約了對鍋爐燃燒狀態(tài)的有效評判［10-11］。而基于激光光譜的爐膛參數(shù)測量技術(shù)的出現(xiàn)解決了這一瓶頸，其核心是可調(diào)諧二極管激光吸收光譜技術(shù)（TDLAS），該技術(shù)通過掃描空間內(nèi)氣體吸收譜線的方式來實(shí)現(xiàn)對空間氣體的在線測量，受氣體環(huán)境影響小，具有高可靠性和反應(yīng)速度快的特點(diǎn)，能夠?qū)崿F(xiàn)爐膛溫度與氣體濃度的同時測量［12］。

基于激光光譜的爐膛參數(shù)測量技術(shù)，其測量溫度和氣體濃度遵循Beer-Lambert定律：

式中：It——激光穿過被測氣體后的強(qiáng)度；

I0——激光的基準(zhǔn)強(qiáng)度；

P——?dú)怏w總壓力；

ω——待測氣體組分濃度；

L——吸收路徑長度；

Φ（ν）——線型函數(shù)，用于描述測試氣體吸收譜線的形狀，反映了光譜吸收率隨波長改變而發(fā)生的相對變化；

S（T）——所用譜線在溫度T時的譜線強(qiáng)度，與參考溫度T0=296K時的譜線強(qiáng)度S（T0）存在相應(yīng)的函數(shù)關(guān)系，S（T0）的大小可以通過HITRAN光譜數(shù)據(jù)庫得到。

本文電站鍋爐爐膛參數(shù)激光測量系統(tǒng)由12條光柵交錯組成，安裝在爐膛折焰角下方（約49.6m高度處），激光從發(fā)射器射出，在爐膛的另一端，接收器接收激光，稱為一條測量路徑，每條測量路徑可以同時測量溫度、O2濃度和CO濃度。在該測量系統(tǒng)中共有12條路徑（東西向、南北向各6條，如圖1所示，1S～12S為激光測量裝置發(fā)射端，1R～12R為激光測量裝置接收端），將爐膛處的水平斷面劃分為若干個測量區(qū)域，測量數(shù)據(jù)每分鐘更新一次，每次測量能夠得到12組數(shù)據(jù)。

圖1　爐膛參數(shù)激光測量截面圖

2　基于SVM的燃燒狀況評價

2.1支持向量機(jī)回歸算法

支持向量機(jī)（support vector machine，SVM）采用最優(yōu)分類面的方法，將分類問題轉(zhuǎn)化為一個凸二次規(guī)劃問題，應(yīng)用拉格朗日函數(shù)對其求解，得到全局最優(yōu)點(diǎn)，解決了神經(jīng)網(wǎng)絡(luò)中的局部極小值問題。而且因其訓(xùn)練時間短、計算速度快、結(jié)果更具確定性，適合在線應(yīng)用。目前在信號處理、系統(tǒng)辨識與建模、數(shù)據(jù)預(yù)測等領(lǐng)域得到了廣泛應(yīng)用［13-17］。

運(yùn)用于回歸問題時算法如下：

已知樣本集合｛（xi，yi），…，（xl，yl），i=1，2，…，l｝，其中輸入矢量xi∈Rn，輸出yi∈R。要尋找一個函數(shù)f（x），使得對于任意的未知輸入x可以用該函數(shù)計算得到對應(yīng)的y值。

以非線性回歸問題為例，支持向量機(jī)回歸算法的目標(biāo)函數(shù)表示為

其中非線性變換φ（·）將n維向量空間中的向量x映射到高維特征空間中，ω為權(quán)重向量，b為偏置項(xiàng)。假設(shè)所有訓(xùn)練樣本都可以在精度ε下無誤差地使用上述目標(biāo)函數(shù)來擬合，則有：

上述回歸問題轉(zhuǎn)化為求解如下帶約束優(yōu)化問題。

約束條件為

式（4）中C為懲罰系數(shù)，i=1，2，…，l，它將在函數(shù)的平坦性和允許的經(jīng)驗(yàn)誤差間尋求一個平衡。考慮到允許擬合誤差的情況，引入了松弛變量ξi和ξi*。

引入非負(fù)拉格朗日乘子αi，αi*，根據(jù)KKT（Karush-Kuhn-Tucker）條件，同時引入核函數(shù)，上述問題可轉(zhuǎn)化為如下式所示的對偶問題：

約束條件為

利用二次規(guī)劃方法求解該問題，得到回歸函數(shù)為

式中K（x，xi）=φ（x）·φ（xi）為滿足Mercer條件的核函數(shù)。可見，雖然φ（·）將樣本數(shù)據(jù)非線性映射到高維的特征空間，但在回歸函數(shù)中并不需要顯式地計算該映射，而是用核函數(shù)替代，避免了高維特征空間可能引起的維數(shù)災(zāi)難問題。

2.2基于SVM的鍋爐燃燒狀態(tài)評價系統(tǒng)

本文所建立的基于爐膛參數(shù)場測量和SVM的電站鍋爐燃燒狀況評判系統(tǒng)如圖2所示。在離線學(xué)習(xí)狀態(tài)下，首先根據(jù)爐膛參數(shù)激光測量系統(tǒng)獲得的關(guān)鍵爐膛參數(shù)數(shù)據(jù)，得到爐膛參數(shù)場重建二維圖像，然后通過圖像處理，利用文獻(xiàn)［9］中的二級模糊綜合評判方法得到不同運(yùn)行工況下的鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性評判結(jié)果，作為鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性的SVM模型的訓(xùn)練樣本。通過訓(xùn)練分別得到鍋爐燃燒穩(wěn)定性的SVM評判模型和鍋爐燃燒經(jīng)濟(jì)性的SVM評判模型，在線應(yīng)用時，將通過爐膛參數(shù)激光測量系統(tǒng)得到的實(shí)時運(yùn)行工況的關(guān)鍵爐膛參數(shù)數(shù)據(jù)輸入到先前訓(xùn)練好的2個支持向量機(jī)模型中，便可以得到當(dāng)前運(yùn)行工況的鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性評判結(jié)果。

圖2　基于爐膛參數(shù)場測量和SVM的燃燒狀況評判系統(tǒng)

本文建立的電站鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性的SVM模型（分別建立）如圖3所示，具有12個輸入量，分別對應(yīng)爐膛參數(shù)激光測量系統(tǒng)獲得的12條測量路徑上的溫度、爐內(nèi)O2濃度、爐內(nèi)CO濃度。一個輸出量為鍋爐燃燒穩(wěn)定性評判值（或者是鍋爐燃燒經(jīng)濟(jì)性評判值）。

在建立SVM模型的過程中，有兩類參數(shù)將影響模型的性能，一類是SVM的參數(shù)C和ε，一類是與核函數(shù)有關(guān)的參數(shù)。本文選擇徑向基（RBF）核函數(shù)（見式（9））作為SVM模型的核函數(shù)。RBF核函數(shù)是一個普適的核函數(shù)，通過合理的參數(shù)選擇，可用于任意分布的樣本，因此在SVM的研究與應(yīng)用中，它成為最常用的一個核函數(shù)。

式中：xi——RBF函數(shù)的中心，并且每個RBF函數(shù)中心

對應(yīng)一個支持向量；

σ——函數(shù)的寬度參數(shù)。

圖3　鍋爐燃燒穩(wěn)定性（經(jīng)濟(jì)性）支持向量機(jī)模型

3　實(shí)例分析

將本文方法用于國內(nèi)某680MW燃煤機(jī)組的鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性評判。該鍋爐為超臨界單次再熱控制循環(huán)鍋爐，采用四角切圓燃燒方式，配備6臺磨煤機(jī)，對應(yīng)6層煤粉燃燒器，每層4只噴嘴。爐膛參數(shù)激光測量裝置是由美國佐爐科技公司與斯坦福大學(xué)高溫氣體動力學(xué)實(shí)驗(yàn)室聯(lián)合開發(fā)的ZoloBOSS系統(tǒng)。首先根據(jù)文獻(xiàn)［9］中的二級模糊綜合評判方法對不同工況下的鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性進(jìn)行判斷，將得到的評判結(jié)果連同此工況下12條測量路徑上獲得的數(shù)據(jù)對SVM模型進(jìn)行訓(xùn)練，進(jìn)而分別得到電站鍋爐燃燒的穩(wěn)定性和經(jīng)濟(jì)性2個SVM模型。在訓(xùn)練的過程中，確定C和σ的搜索區(qū)間分別為（200，500）和（0，0.02），設(shè)定ε=0.0001。采用遺傳算法對C和σ進(jìn)行優(yōu)化，目標(biāo)函數(shù)設(shè)定為求解樣本均方誤差的最小值，遺傳算法的群體規(guī)模選為60，雜交概率為0.8，變異概率為0.2，進(jìn)化代數(shù)上限為1000代。通過遺傳算法得出的鍋爐燃燒穩(wěn)定性SVM模型最優(yōu)參數(shù)為：C=251，σ=0.0113，迭代次數(shù)為362；鍋爐燃燒經(jīng)濟(jì)性支持向量機(jī)模型最優(yōu)參數(shù)為：C=229，σ=0.0107，迭代次數(shù)為421。根據(jù)得到的2個SVM評判模型對鍋爐5個歷史工況的燃燒狀態(tài)進(jìn)行評判，并與文獻(xiàn)［9］中采用二級模糊綜合評判策略所取得的評判結(jié)果進(jìn)行對比分析。

由圖4和圖5可知，基于SVM的鍋爐燃燒狀況評判結(jié)果為：工況1的穩(wěn)定性處于第II等級狀態(tài)（I級狀態(tài)最佳，V級狀態(tài)最差），經(jīng)濟(jì)性處于第II等級狀態(tài)；工況2穩(wěn)定性處于第IV等級狀態(tài)，經(jīng)濟(jì)性處于第IV等級狀態(tài)；工況3穩(wěn)定性處于第IV等級狀態(tài)，經(jīng)濟(jì)性處于第V等級狀態(tài)；工況4穩(wěn)定性處于第II等級狀態(tài)，經(jīng)濟(jì)性處于第II等級狀態(tài)；工況5穩(wěn)定性處于第III等級狀態(tài)，經(jīng)濟(jì)性處于第II等級狀態(tài)。與文獻(xiàn)［9］中采用二級模糊綜合評判方法獲得的燃燒穩(wěn)定性和經(jīng)濟(jì)性評判結(jié)果完全一致，基于SVM的電站鍋爐燃燒穩(wěn)定性評判最大誤差為3.85%，燃燒經(jīng)濟(jì)性最大誤差為5.17%；在配備Intel雙核處理器E5400，內(nèi)存2G的PC機(jī)上對歷史運(yùn)行工況進(jìn)行評判對比，采用文獻(xiàn)［9］中二級模糊綜合評判策略獲得工況評判結(jié)果的平均時間為11.8s，而本文基于爐膛參數(shù)場和SVM模型的評判策略獲得工況評判結(jié)果的時間為0.01 s，大大提高了計算速度，更適于在線應(yīng)用。

4　結(jié)束語

本文提出了一種基于爐膛參數(shù)場測量和SVM的電站鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性評判方法。通過采用SVM建立鍋爐燃燒狀況評判模型并結(jié)合遺傳算法對模型進(jìn)行參數(shù)尋優(yōu)，將爐膛參數(shù)激光測量系統(tǒng)獲得的數(shù)據(jù)連同經(jīng)由二級模糊綜合評判策略獲得的評判結(jié)果作為訓(xùn)練樣本對模型進(jìn)行訓(xùn)練和檢驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)θ我夤r下的電站鍋爐燃燒狀態(tài)進(jìn)行客觀有效評判，計算速度快，更適于在線工作，可為在線調(diào)整鍋爐燃燒提供參考。

圖4　鍋爐燃燒穩(wěn)定性評判

圖5　鍋爐燃燒經(jīng)濟(jì)性評判

［1］蔣敏華，黃斌．燃煤發(fā)電技術(shù)發(fā)展展望［J］．中國電機(jī)工程學(xué)報，2012，32（29）：1-8．

［2］Zhou H，Zhao J P，Zheng L G，et al．Modeling NOxemissions from coal-fired utility boilers using support vector regression with ant colony optimization［J］．Engineering Applications of Artificial Intelligence，2012，25 （1）：147-158．

［3］蔡小舒，季琨，蘇明旭，等．基于光譜分析的煤粉火焰復(fù)合判據(jù)和燃燒診斷研究［J］．中國電機(jī)工程學(xué)報，2004，24（1）：211-215．

［4］馬駿，余岳峰，范浩杰．基于頻譜分析和自組織神經(jīng)網(wǎng)絡(luò)的火焰燃燒診斷研究［J］．動力工程，2004，24（6）：852-856．

［5］劉禾．基于火焰圖像和模糊神經(jīng)網(wǎng)絡(luò)的鍋爐燃燒穩(wěn)定性判別［J］．儀器儀表學(xué)報，2008，29（6）：1280-1284．

［6］謝剛，王理飛，謝克明．基于火焰圖像特征和粗糙集理論的燃燒診斷系統(tǒng)［J］．測試技術(shù)學(xué)報，2006，20（3）：230-235．

［7］Bae H，Kim S，Wang B H，et al．Flame detection for the steam boiler using neural networks and image information in the Ulsan steam power generation plant［J］．IEEE Transactions on Industrial Electronics，2006，53（1）：338-348．

［8］劉吉臻，牛成林，李建強(qiáng)，等．鍋爐經(jīng)濟(jì)性分析及最優(yōu)氧量的確定［J］．動力工程，2009，29（3）：245-249．

［9］王東風(fēng)，劉千，趙文杰，等．基于爐膛參數(shù)場測量的電站鍋爐燃燒穩(wěn)定性和經(jīng)濟(jì)性狀態(tài)模糊綜合評判［J］．動力工程學(xué)報，2015，35（6）：76-83．

［10］胡主寬．鍋爐爐膛溫度場測量技術(shù)研究現(xiàn)狀與發(fā)展趨勢探討［J］．中國測試，2015，41（4）：5-9．

［11］王東風(fēng)，劉千．電站鍋爐爐膛溫度測量技術(shù)發(fā)展［J］．中國測試，2014，40（3）：8-12．

［12］Li N，Weng C S．Gas concentration and temperature reconstruction by genetic simulated annealing algorithm based on multi-wavelengths diode laser absorption spectroscopy［J］．Acta Physica Sinica，2010，59（10）：6914-6920．

［13］王春林，周昊，周樟華，等．基于支持向量機(jī)的大型電廠鍋爐飛灰含碳量建模［J］．中國電機(jī)工程學(xué)報，2005，25（20）：72-76．

［14］Gu Y P，Zhao W J，Wu Z S．Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems［J］．Journal of Process Control，2011，21（7）：1040-1048．

［15］趙四化，王琪．支持向量機(jī)在電機(jī)轉(zhuǎn)子故障診斷識別中的應(yīng)用［J］．中國測試，2009，35（3）：121-124．

［16］LüY，Liu J Z，Yang T T，et al．A novel least squares support vector machine ensemble model for NOxemission prediction of a coal-fired boiler［J］．Energy，2013 （55）：319-329．

［17］邱東，符營營，張楠，等．支持向量機(jī)脫磷效率與爐渣堿度測試模型研究［J］．中國測試，2014，40（1）：1-4．

Evaluation on combustion condition of power p lant boiler based on furnace parameters measurement and support vector machine

LIU Qian1，WANG Dongfeng1，2，HAN Pu1，2
（1.Hebei Engineering Research Center of Simulation&Optimized Control for Power Generation，North China Electric Power University，Baoding 071003，China；2.Department of Automation，North China Electric Power University，Baoding 071003，China）

The stability and economy of a power plant boiler combustion is important for boiler combustion evaluation.Timely and accurate evaluation can effectively guide the combustion optimization.An comprehensive evaluation strategy for the operating condition of boiler combustion，based on furnace parameters measurement and support vector machine，was proposed.Through analyzing the effects of furnace parameters on combustion stability and economy of a power plant boiler.A support vector machine model for the stability and economy of boiler combustion was developed and verified.Good predicting performance was achieved with the data from furnace parameters measurement.A 680MW coal-fired boiler is taken as an example.The results show that the evaluation of the stability and economy of boiler combustion can be effectively completed by the method proposed under different working conditions with a higher calculation speed，which can be used for guiding of boiler combustion optimization.

power plantboiler；parametersmeasurement；combustion evaluation；supportvectormachine

A

1674-5124（2015）09-0006-05

2015-03-02；

2015-04-13

中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)（2014MS139）

劉千（1985-），男，河南鄲城縣人，博士研究生，研究方向?yàn)殡娬惧仩t燃燒優(yōu)化控制。